近年来,随着“新冠”疫情的爆发,在互联网上有关于该突发公共卫生事件的关注和讨论日增不减,而如何了解和把握此类事件的网络舆情,以便更好的引导舆情朝着积极方向发展,也引发了众多研究人员的思考。本研究围绕突发公共卫生事件网络舆情展开,研究具体事件背景下的网民观点演化规律,结合了观点动力学模型,预训练语言模型,图卷积网络等多种方法对观点演化过程进行建模。由于突发公共卫生事件本身所具有不确定性和危机性,同时网民受教育程度和生活环境各异,容易对同一事件产生不同的看法,这些观点看法再通过互联网交换、整合和影响,会大大增加此类事件网络舆情引导的困难程度和复杂程度。本文的研究可以为相关部门及时做出相应的引导措施提供理论依据,又可以补充现有观点动力学模型理论研究。针对突发公共卫生事件的观点演化问题,现有学者从案例分析、网络分析、观点动力学角度进行建模,动力学角度建模方法尚未考虑网民在此类事件下的心理因素;针对现有的观点动力学相关研究,主要采用的是分析事件特点从而对观点动力学模型改进的方法,但是这种改进模型其准确性受人工调整参数的影响大,且模型泛化能力不强,需要考虑如何避免人工调整参数带来的不稳定性。本文为解决上述问题,在研究中提出了两种模型,先采用改进传统观点动力学模型的方法建模,再采用深度学习神经网络的方式建模,后者较前者可以避免对人工的依赖。具体工作如下:（1）通过分析突发公共卫生事件的特点,提出采用前景理论构建改进后的观点动力学模型。首先,本文对突发公共卫生事件本身及其舆情观点演化过程进行特点分析,根据分析结果,结合前景理论来改进经典观点动力学模型Hegselmann-Krause模型。然后,模型在仿真平台上进行仿真实验,并以抓取的实证数据进行对比,结果表明:发现在风险事件背景下,个体之间的信任阈值大小对观点演化一致具有反效果;同事发现模型在实证数据预测观点走向时,预测结果和事件实际观点走向相似。（2）针对观点动力学模型建模方法所存在的依赖人工调整参数的缺点,提出采用深度学习神经网络的方式建模,并根据模型训练结果对事件规律进行分析。具体而言,结合预训练语言模型和图卷积网络对观点演化问题进行建模,并在所爬取的二十件突发公共卫生相关事件的数据集进行实验。模型结果表明,该模型在数据集上均收敛,且取得足够低的MSE值,验证了模型的效果;同时在模型训练方面,采用图分批训练,预训练等方式加速了模型的收敛速度和收敛效果;最后进一步分析发现具有高关注度、主体争议性强,持续时间长等特点的事件更应该引起相关部门的重视。